AI SEO ו-GEO: קידום ב-AI בלי מיתוסים

אל התשובות של ChatGPT, Gemini, Perplexity ו-AI Overview מותג מגיע בעיקר בשתי דרכים שמשתלבות זו בזו, ו-AI SEO הוא העבודה על שתיהן:

1. דרך החיפוש. המודל מחפש ברשת תוך כדי תשובה ומצטט חלק מהדפים שמצא. כאן פועל אותו דבר כמו ב-SEO: גישה לרובוטים, אינדקס, נראות במילת המפתח ובווריאציות שלה, וקטעים שעונים על השאלה בלי שאר הדף. התוצאה נראית, כמו ב-SEO, אחרי שבועות או חודשים.
2. דרך הזיכרון של המודל. המודל עונה ממה שלמד לפני סוף האימון, והזיכרון הזה משפיע גם על מי שהוא מזכיר כשהוא מחפש ברשת. כאן חשוב מה אחרים כתבו על המותג, ותיאור אחד עקבי של המותג בהרבה מקורות. את קצב השינוי בזיכרון לא מדדתי, ולכן אני לא מבטיח כאן דבר בטווח של רבעון.

לרוב ה“טריקים של GEO” אין הוכחה, וחלק מהם בדקתי על הנתונים שלי. לקובץ llms.txt ולנתונים מובנים אין הוכחה שהם מביאים ציטוטים. יותר כותרות לא העלו דפים ל-3 הראשונים בבדיקה שלי. בדיקה אם מיקום בשאילתות המשנה מנבא ציטוט טוב יותר ממיקום במילת המפתח הראשית לא הכריעה דבר, והמסקנה הראשונה שלי ממנה הופרכה בבקרה צולבת. ההוכחות לכל אחד מהמשפטים האלה נמצאות בהמשך.

מהו AI SEO ואיך קוראים לעבודה הזו?

AI SEO הוא העבודה על כך שמותג יופיע בתשובות שנוצרות על ידי AI: ב-AI Overview ובמצב AI של גוגל, ב-ChatGPT, ב-Gemini, ב-Perplexity וב-Copilot. לאותה עבודה יש כמה שמות, והבדלים ביניהם הם בעיקר שיווקיים:

לשם GEO יש מקור מדעי, והיסוד של כל העבודה הזו זהה ליסוד של SEO. GEO מגיע ממאמר אקדמי מנובמבר 2023 שהתקבל לכנס KDD 2024. המחברים, Pranjal Aggarwal ושותפיו, הראו על מערך הבדיקה שלהם ששינויים בתוכן יכולים להגדיל את הנראות של מקור בתשובות גנרטיביות בעד 40% (arXiv). גוגל כותבת בתיעוד שלה שאופטימיזציה לחיפוש גנרטיבי היא עדיין SEO (Google Search Central). Cyrus Shepard מ-Zyppy עונה באופן דומה על השאלה אם חברה צריכה אסטרטגיית GEO נפרדת:

גם לאנשים אין שם אחד לעבודה הזו, וזה נראה בתוצאות גוגל. השאלה “איך קוראים לקידום ב-AI?” מופיעה במקטע “אנשים גם שואלים” בתוצאות הפולניות, ושאלות מקבילות בתוצאות מגרמניה, מספרד ומפינלנד, והשאלה האנגלית “What is AI SEO called now?” בתוצאות מארה"ב, משוודיה ומסינגפור. השאלה על ההבדל בין GEO (או LLMO) ל-SEO מופיעה ב-9 מתוך 27 השווקים שבדקתי, מברזיל ועד יפן.

השם הרווח תלוי בשוק. ביפן 72% מכ-16,730 החיפושים בחודש בנושא הם LLMO, ולמילת המפתח “llmo” לבדה יש כ-12,100 חיפושים, יותר מאשר ל-“ai seo” בארה"ב (כ-6,600). בגרמניה ובצרפת GEO מוביל (64% ו-66%), ובקוריאה הדרומית 83%. בפולין 58% מכ-2,265 החיפושים בחודש הם AI SEO, יחד עם “ai seo” והתיאורים הפולניים (“pozycjonowanie ai”, “pozycjonowanie w ai”), ו-GEO הוא 32%. בארה"ב AI SEO ו-GEO צמודים: 42% ו-39% מכ-25,400 חיפושים, ובספרד יש תיקו (44% ו-44%). בצ'כיה אין בנתונים ביקוש לאף אחד מהשמות.

הביטוי “ai seo” דו-משמעי, ולכן לחלקו של AI SEO אני מתייחס כאל גבול עליון. על “ai seo” גוגל מציגה לצד טקסטים על קידום ב-AI גם כלי AI ומדריכים לעשיית SEO בעזרת AI: בארה"ב זה יותר ממחצית התוצאות ב-10 הראשונות, ובדנמרק לפחות 6 מתוך 8. ה-AI Overview על המילה הזו בארה"ב ובדנמרק מתאר בכל זאת את AI SEO כאופטימיזציה לתשובות של AI, ולכן גוגל רואה בה שם של העבודה הזו. בלי המילה הזו GEO מוביל ב-25 מתוך 26 השווקים בבלוג שלי, וביפן נשאר LLMO. בפולין התיאורים הפולניים החד-משמעיים (“pozycjonowanie ai”, “pozycjonowanie w ai”) מגיעים יחד לכ-580 חיפושים בחודש, ו-GEO לכ-725. לכלי AI ל-SEO אקדיש טקסט נפרד.

את המילה “aeo” לבדה אני לא סופר, כי בפולין היא מציינת בעיקר תעודה מכסית, ובארה"ב חלק מהתוצאות הן שערי מניות של רשת ההלבשה American Eagle. על “aeo” בגוגל הפולני שלוש מארבע התוצאות הראשונות הן אתרים של משרד האוצר. מילות מפתח עם השם המלא, למשל “answer engine optimization”, נספרות אצלי בסדרה “אחר”.

כל גרסה לשונית של הטקסט הזה משתמשת בשם שמחפשים בשוק שלה. בישראל 51% מכ-515 החיפושים החודשיים בנושא הם AI SEO ו-45% הם GEO, ולכן הגרסה העברית משתמשת בשני השמות זה לצד זה, עם AI SEO בראש. הגרסה היפנית מדברת על LLMO, הגרמנית והצרפתית על GEO, והפולנית על “pozycjonowanie w AI” ועל AI SEO.

איך AI בוחר את מקורות התשובה?

המודל עונה מחיפוש או מזיכרון, ובזה תלוי מה בכלל אפשר לשנות. כשהוא מחפש ברשת, הוא מפרק את השאלה לכמה שאילתות, מושך תוצאות, בוחר מהן קטעים ומצטט חלק מהם. גוגל קוראת לזה בתיעוד “query fan-out”: המערכת שולחת הרבה חיפושים קשורים על תת-נושאים ומכמה מקורות (Google Search Central). כשהמודל לא מחפש, הוא עונה ממה שלמד באימון, ואז מיקום הדף בגוגל לא משנה דבר.

הדרכים האלה משתלבות זו בזו, כי הזיכרון של המודל משפיע גם על תשובה שבה הוא חיפש ברשת. Dan Petrovic מ-Dejan כותב שאזכור מותג בטקסט של התשובה נשען בעיקר על הידע הקודם של המודל, ושדף בודד כמעט לא מזיז אותו (Dejan, 07/07/2026). לכן את שתי הדרכים אני מודד בנפרד, אבל עובד עליהן במקביל.

כמה פעמים המודל מחפש ברשת תלוי במודל: בבדיקה שלי מ-10 עד 94 מילות מפתח מתוך 94. בדקתי זאת דרך ה-API על 94 מילות מפתח מהפרויקטים שאני מנהל, באנגלית ובפולנית, בלילה שבין 3 ל-4 באוקטובר 2026 ופעם שנייה בבוקר. בטקסט על אסטרטגיית SEO תיארתי את אותה תופעה על חמש שאלות מדריך, וכאן היא על מדגם גדול יותר.

• 93 מתוך 94מספר הפעמים ש-Gemini 2.5 Flash פנה למנוע חיפוש בריצה הראשונה (בשנייה 94 מתוך 94).הבדיקה שלי דרך ה-API, 3-4/10/2026
• 71 מתוך 94מספר הפעמים ש-Gemini 3.5 Flash חיפש (בריצה השנייה 69 מתוך 94).הבדיקה שלי דרך ה-API, 3-4/10/2026
• 25 מתוך 84מספר הפעמים ש-Gemini 3.1 Pro חיפש (10 קריאות הסתיימו בשגיאת מגבלה; בריצה השנייה 32 מתוך 94).הבדיקה שלי דרך ה-API, 3-4/10/2026
• 10 מתוך 94מספר הפעמים ש-Gemini 3.8 Flash חיפש (בריצה השנייה 15 מתוך 94). בשאר מילות המפתח הוא ענה מהזיכרון.הבדיקה שלי דרך ה-API, 3-4/10/2026

בתצורה הזו גרסאות חדשות יותר של Gemini Flash חיפשו פחות, אבל Gemini 3.1 Pro לא מתאים לדפוס הזה. ל-Pro יש מספר גרסה נמוך מזה של 3.5 Flash, והוא חיפש פחות ממנו. זו משפחת מודלים אחת ותצורת API אחת, ולא אפליקציית Gemini שהמשתמש רואה, ולכן אל המספרים אני מתייחס כאל אות ולא כאל כלל. הם מספיקים כדי שבכל מדידה אבדוק על כמה שאלות המודל בכלל מחפש.

הזיכרון של המודלים על מותג פולני חדש התברר כחסר, ובחלק מהמודלים התיאור שלו היה בדוי. באותו פרויקט כ-500 תשובות על שאלות על מותגים שאני עובד בשבילם נבדקו בעיוור על ידי מודל נפרד. אחד המותגים הפולניים החדשים במדגם היה לא מוכר לכל המודלים שנבדקו, ובתשובות עליו התיאור היה בדוי ב-9 מתוך 12. שיעור הבדיות תלוי במודל: מ-5% עד 77% מהתשובות על כל המותגים. את התשובות שפט מודל שופט אחד, ולכן הבדלים של פחות מכ-10 נקודות אחוז אני מתייחס אליהם כרעש.

אותו דומיין יכול להיות גלוי בדרך אחת ובלתי נראה בשנייה. אחד האתרים צוטט במצב AI של גוגל ב-10 מתוך 13 זוגות של מילות מפתח, ובתשובות של מודלים בלי חיפוש לא הופיע אף פעם (0 מתוך 13). זה דומיין אחד ו-13 זוגות, ולכן זו המחשה ולא כלל.

תופעה קרובה נראית במחקר בהיקף גדול יותר. Dan Petrovic מדווח על מחקר של Google Research על 13 מודלים ו-2,150 עובדות מוויקיפדיה: המודלים המובילים שבהם, כמו Gemini 3 Pro ו-GPT-5, מחזיקים במשקלים 95-98% מהידע הזה, אבל לא מצליחים לשלוף 26-34% ממנו (Dejan, 17/08/2026). אלה עובדות אנציקלופדיות ולא ידע על מותגים, אבל המסקנה למותג דומה: הימצאות מידע בנתוני האימון לא מבטיחה שהמודל יגיד אותו.

איך מגיעים לתשובות של AI דרך החיפוש?

בדרך של החיפוש פועל אותו דבר כמו ב-SEO, עם הבדל אחד. גוגל כותבת שכדי להופיע ב-AI Overview ובמצב AI, הדף צריך להיות באינדקס ויכול להופיע בתוצאות עם קטע טקסט, ושאין דרישות טכניות נוספות (Google Search Central). ההבדל הוא שהמודל שולח כמה שאילתות בבת אחת, ולכן לדף שנראה רק במילת המפתח הראשית יש פחות הזדמנויות להיות מצוטט מאשר לדף שנראה גם בווריאציות שלה. ל-ChatGPT יש בנוסף רובוט חיפוש משלו (עליו בהמשך), ולכן נראות בגוגל לא עוברת אליו ישירות.

גישה לרובוטים של AI

רובוטים של מנועי חיפוש AI יכולים להיות חסומים בלי שבעל האתר יודע. חומת אש או הגדרה ברשת להפצת תוכן (CDN) יכולות לחסום אותם, לעיתים קרובות רק אחרי שנחצה סף של מספר בקשות, ולכן בדיקה אחת לא תגלה דבר. אני בודק סדרת בקשות עם השמות של הרובוטים של Google, OpenAI, Perplexity ו-Anthropic, ומשווה את תגובת השרת לזו שמקבל דפדפן רגיל.

חסימה של אימון מודלים היא החלטה אחרת מחסימה של חיפוש. OpenAI מפרידה בין התפקידים: GPTBot אוסף תוכן שעשוי להגיע לאימון מודלים, ו-OAI-SearchBot קובע את הנוכחות בתוצאות החיפוש של ChatGPT. OpenAI כותבת שאתרים שיחסמו את OAI-SearchBot לא יוצגו בתשובות החיפוש של ChatGPT, וחסימת GPTBot לא משנה זאת (OpenAI). באופן דומה Google-Extended שולט בשימוש של מודלי Gemini בתוכן, אבל לפי גוגל לא משפיע על הנוכחות ולא על המיקום בחיפוש (Google Search Central). מי שחוסם את כל הרובוטים של AI בלחצן אחד עלול לאבד נוכחות בחיפוש של ChatGPT שלא התכוון לוותר עליה.

מיקום במילת המפתח ובשאילתות המשנה

אני לא יודע אם מיקום גבוה יותר מגדיל את הסיכוי לציטוט, כי הנתונים שלי לא מכריעים. בטקסט על אסטרטגיית SEO, במפת ההשערות, תיארתי מאמר שבחמש מילות מפתח קרובות מאוד צוטט ב-AI Overview רק באחת, והיא זו שבה עמד הכי נמוך. את שאילתות המשנה המודל קובע בעצמו, והן יכולות להיות שונות בכל תשובה, ולכן אין רשימה קבועה אחת של “שאילתות משנה למילת מפתח X”. במדגם שלי של 94 מילות מפתח המודל יצר בריצה אחת 493 שאילתות משנה שונות, בממוצע יותר מחמש למילת מפתח.

בדקתי אם מיקום בשאילתות המשנה מנבא ציטוט טוב יותר ממיקום במילת המפתח הראשית, והתוצאה הראשונה שלי לא עמדה בבקרה. על זוגות מילת מפתח-דף מהפרויקטים שאני מנהל רשמתי את הכלל לפני שחישבתי את התוצאה. המדד היה השטח מתחת לעקומת ROC, כלומר עד כמה האות מפריד בין דפים מצוטטים ללא מצוטטים (0.5 הוא רמת הטלת מטבע, 1 הוא הפרדה בלי טעויות). שאילתות המשנה היו אמורות לנצח אם השטח שלהן גדול ב-0.10 לפחות. על 29 זוגות שהופרשו לבדיקת AI Overview ההפרש היה 0.44, כלומר הבדיקה “עברה”.

הבקרה הצולבת הראתה שהשוויתי שתי מדידות בדיוק שונה. הבודק שחישב הכול מאפס שחזר את המספרים שלי עד הספרה, אבל שם לב שאת המיקום במילת המפתח הראשית לקחתי מאיסוף אחד של תוצאות גוגל, ואת הציטוט מחמישה. אחרי שחישבתי את המיקום מאותם חמישה איסופים ההפרש ירד ל-0.04, עם רווח סמך מ-0.28- עד 0.36+. לא הראיתי אפוא ששאילתות המשנה טובות ממיקום, ולא שהן גרועות ממנו. שני האותות אומרים משהו, ולכן אני עובד על שניהם.

מיקום מאיסוף אחד מ-DataForSEO התברר כהגרלה של אחת מכמה וריאציות של התוצאות. כשאספתי את אותן 94 מילות מפתח שלוש פעמים במרווחים של כשעה, לשני איסופים של אותה מילת מפתח היו בחציון מעט כתובות משותפות ב-10 הראשונות: מדד ז'קארד, כלומר מדד ההתאמה בין שתי קבוצות מ-0 עד 1, עמד על 0.14-0.15. חלק מהווריאציות הן כנראה תוצאות שאדם בדפדפן לא רואה, כי ב-5 מילות מפתח הדפדפן תאם אחת מהן. ה-AI Overview היה יציב: נוכחותו התאימה בין האיסופים ב-97-99%. לכן מיקום מהכלי הזה אני מחשב היום כחלק מכ-10 איסופים שנשלחו בבת אחת. כלים אחרים לא בדקתי כך.

קטעים שעונים בפני עצמם

המודל בדרך כלל משתמש לא בדף כולו, אלא בקטעים שעונים על השאילתה שלו. לכן אני כותב כך שכל קטע אפשר להבין בלי שאר הדף: תשובה במשפט הראשון מתחת לכותרת, מספרים קונקרטיים עם מכנה ותאריך, שמות במקום “זה” ו“הזה”. כל פסקה בטקסט הזה נפתחת במשפט עם מסקנה מהסיבה הזו בדיוק. זו שיטת כתיבה טובה שעוזרת גם לאנשים, ולא טכניקה נפרדת בשביל AI.

זה לא אומר שצריך לחתוך את התוכן לפרורים או להרבות כותרות. גוגל כותבת במפורש שאין דרישה לפצל תוכן לקטעים קטנים כדי ש-AI יבין אותו טוב יותר (Google Search Central). בדקתי גם אם יותר כותרות עוזרות להגיע ל-3 הראשונים. על 632 דפים מ-10 הראשונים ב-119 שאילתות באנגלית מנישת תוכנה לעסקים (ארה"ב, 26 בספטמבר 2026) יחס הסיכויים היה 0.95 (רווח סמך של 95%: 0.81-1.12), ואחרי התחשבות באורך הטקסט 1.00. שיעור הדפים ב-3 הראשונים היה כמעט זהה בשלוש קבוצות, מהקבוצה עם הכי מעט כותרות ועד הקבוצה עם הכי הרבה: 32%, 34% ו-32%. זו אותה בדיקה שאני מתאר בטקסט על אסטרטגיית SEO: נישה אחת ויום מדידה אחד. היא מספיקה לי כדי שלא אוסיף כותרות כדי לשפר מיקום: כותרת צריכה לומר על מה הקטע שמתחתיה.

שאלות בפולנית, שאילתות משנה באנגלית

במדגם שלי חלק משאילתות המשנה לשאלות בפולנית היו באנגלית. ל-81 מתוך 277 שאילתות משנה שנוצרו למילות מפתח פולניות לא היו סימנים של פולנית. למשל, שאלה פולנית על דירוג מוצרים בקטגוריה אחת הפכה לשאילתה אנגלית עם שנה בשם. זו היוריסטיקה גסה על מדגם אחד, אבל היא מספיקה כדי שבמותג פולני אבדוק גם מה אומרים עליו מקורות באנגלית.

איך מגיעים לזיכרון של המודל?

את הזיכרון של המודל לא משנים באתר שלכם בלבד: חשוב מה אחרים כותבים עליכם. המודל לומד ממאגרים גדולים של טקסטים שנאספו לפני סוף האימון. אם על מותג כותב בעיקר הוא עצמו, ומקורות של אחרים ישנים או סותרים, המודל יחזור על תמונה ישנה או סותרת. אין לי מדידה של מהירות הרענון של הזיכרון של המודלים. אני מניח שזה קורה רק בגרסאות הבאות, ולכן בטווח של רבעון אני לא מבטיח כאן דבר.

במותג שלי אני רואה את שני מקורות הטעות בבת אחת. Gemini תיאר אותי עם מעסיק מלפני כמה שנים בזמן הווה, ואת rogala.pro כאתר “בבנייה”. שני התיאורים שהמודלים חזרו עליהם הכי הרבה עליי לקוחים מילה במילה מהביוגרפיה שלי באתר מקצועי, שמופיע גבוה בגוגל על שמי. את המעסיק הזה כנוכחי לא מציין אף אחד מ-26 האתרים שבדקתי בתוצאות על שמי המלא, ולכן הטעות הזו כנראה יושבת בזיכרון של המודל. אבדוק זאת באותן שאלות כשהביוגרפיה תעודכן.

מה המודל זוכר על מותג אפשר לבדוק לבד, בלי כלים לנראות ב-AI. שאלו על המותג בלי גישה לחיפוש, בצורה הכי בטוחה דרך API בלי כלי חיפוש. שאלו במה המותג עוסק, למי, ומאיזה זמן הוא פועל, כל שאלה שלוש פעמים. אחר כך השוו את התשובות לעובדות ורשמו בנפרד מה עדכני, מה לא עדכני ומה בדוי.

אזכורים בלי הגדרה עקבית של המותג חוזרים על תיאור ישן, ולכן אני מתחיל מהזהות. הסדר שלי:

• הגדרה אחת של המותג, זהה באתר, בפרופילים ובביוגרפיות באתרים של אחרים;
• נתונים מובנים עם מזהים שבדקתי ידנית;
• רשומות במאגרי ידע כמו Wikidata, רק במקום שיש מקורות שיאשרו אותן;
• ורק אחר כך אזכורים ופרסומים במקומות שמישהו אחר עורך.

מזהה צריך לפתוח ולקרוא לפני שהוא מגיע לקוד של האתר. ב-5 באוקטובר 2026 שמתי לב שמזהה Knowledge Graph, שמהיום הקודם עמד בנתונים המובנים של rogala.pro, מוביל ללוח של שחקן עם אותו שם פרטי ושם משפחה. במשך כיממה האתר שלי הצהיר בפני מנועי החיפוש שאני שחקן. הבדיקה לוקחת דקה: הכתובת google.com/search?kgmid= עם המזהה מראה למי הוא שייך באמת.

Wikidata לא תיתן מקום למה שאין לו מקורות. Wikidata דורשת מקורות למידע על אנשים חיים, ולכן אי אפשר להצהיר בה על התמחות שאיש מלבדכם לא כתב עליה. לכן אצלי התחלתי מפרסומים במקומות שאחרים עורכים, ולא מרשומה במאגר.

מה בקידום ב-AI עובד ומה הוא מיתוס?

את הטענות על GEO אני מחלק לפי עוצמת ההוכחה. מתועד זה מה שמאשר התיעוד של מנוע החיפוש, והמדידה שלי היא תוצאה מתצורה אחת שאני חוזר עליה. הופרך ולא הוכח הם מה שבדקתי על הנתונים שלי ושלא עמד בבדיקה או שלא הכריע דבר. בלי הוכחה הן עצות פופולריות שאין מאחוריהן מדידה, ולעיתים יש מאחוריהן הוכחה הפוכה.

אין הוכחה שקובץ llms.txt וגרסאות של דפים ב-Markdown עוזרים להגיע לתשובות של AI. גוגל כותבת שכדי להופיע בחיפוש שלה אין צורך ליצור קבצים חדשים למכונות, קבצי טקסט ל-AI, תגיות או Markdown (Google Search Central). כשביולי 2026 בדקתי 10 דומיינים מהתיק שלי, אף אחד מהם לא הגיש לסוכני AI גרסת Markdown. ב-rogala.pro לכל דף יש מ-8 באוקטובר גרסת Markdown וקובץ llms.txt, ועד 8 בנובמבר אני בודק בלוגים של השרת אם מישהו מוריד אותם. בפולין למילת המפתח “llms txt” יש כ-720 חיפושים בחודש, ולכן את הנושא הזה אתאר בנפרד.

נתונים מובנים מתארים את המותג למנוע החיפוש, אבל אין הוכחה שהם מביאים ציטוטים. גוגל כותבת שנתונים מובנים אינם נדרשים בחיפוש הגנרטיבי ושאין תגיות schema.org מיוחדות שצריך להוסיף (Google Search Central). Matt Buxbaum מ-Seer Interactive ניתח 8,500 מילות מפתח עם AI Overview ו-6,354 דפים שזכו בהן לציטוט הראשון: schema ואותות E-E-A-T נקשרו הכי חלש לניצחון, ודפים עם מספר התגיות הגדול ביותר של FAQ ו-HowTo יצאו גרועים בערך פי 10 (Seer Interactive, 28/05/2026). זה מתאם, ולכן אני לא יודע אם התגיות מזיקות, אבל את הנתונים האלה אני לא קורא כהוכחה לתועלת. נתונים מובנים אני משתמש בהם לתיאור ישויות (מי, מה, איפה, עם אילו מזהים), כי לשם הם נועדו. בדיקה משלי של השפעתם על תשובות AI עוד לא סיימתי.

אזכור וציטוט הם שני דברים שונים, ודוחות רבים מערבבים ביניהם. Petrovic מפריד בין שלושה אירועים: דף שהמערכת משכה כחומר לתשובה, ציטוט, כלומר דף שמוצג כמקור, ואזכור, כלומר שם המותג בטקסט התשובה שהמשתמש קורא וזוכר (Dejan, 07/07/2026). מותג יכול להיות מצוטט בלי אזכור בטקסט, ומוזכר בלי ציטוט של דף. לכן אני מודד את שני הדברים בנפרד ולא מסכם אותם ל“ציון נראות ב-AI” אחד.

איך בודקים אם קידום ב-AI עובד?

בלי נקודת אפס אי אפשר לייחס תוצאה לשום שינוי, ולכן אני רושם אותה לפני התיקון הראשון. בנקודת האפס נכללים השאלות כפי שנרשמו מילה במילה, השמות והגרסאות של המודלים, התאריך והשוק. את השאלות אני מרכיב מנתוני ביקוש ומ-Search Console, ורובן לא כוללות את שם המותג, כי השם בשאלה עצמו רומז למודל את התשובה. מערך שאלות משתי קבוצות מיקום אני מתאר בטקסט על אסטרטגיית SEO.

חמישה דברים אני מודד בנפרד, כי כל אחד יכול ללכת לכיוון אחר:

1. אזכור של המותג בטקסט התשובה.
2. ציטוט של דף כמקור.
3. האם המודל בכלל חיפש ברשת, כלומר חיפוש וזיכרון בנפרד.
4. תנועה מעוזרי AI באנליטיקס, שהיא תמיד גבול תחתון, כי חלק מהכניסות מגיעות בלי מידע על המקור.
5. תנועה מגוגל באותה תקופה, כדי ששינוי בשביל AI לא ייעשה על חשבון התוצאות הרגילות.

תשובות של צ'אטבוטים אקראיות, ולכן את אותה שאלה אני שואל שלוש פעמים בבת אחת. AI Overview יציב, ולו מספיק איסוף אחד. מספר מכלי לנראות ב-AI אני קורא תמיד יחד עם המכנה: זה חלק מקבוצת השאלות שלי, ולא “נתח משוק ה-AI”, שאיש לא מכיר.

מה אני עושה באתר שלי ומה עדיין לא ידוע לי?

אני מדבר בפומבי על AI בחיפוש מאז 2016, ועדיין אין לי מותג משלי בתשובות של AI, ומזה התחיל הניסוי שלי. נקודת האפס מ-26 ביולי 2026: ל-rogala.pro לא היה אפילו ציטוט אחד באף אחד מ-7 משטחי ה-AI שנבדקו ב-Ahrefs לפולין, וב-6 בדיקות בשלוש פלטפורמות, בשאלות בלי השם שלי, אף מודל לא הזכיר אותי. כששאלו עליי בשמי, המודל חזר על תיאור מלפני כמה שנים. זו מדידה אחת ובלי ChatGPT, כי הכלי שבו אספתי תשובות לא החזיר עבורו תוצאות, ולכן אני מתייחס אליה כנקודת פתיחה ולא כהוכחה.

סדר העבודות נובע מהנתונים: קודם זהות, אחר כך חשיפה. סידרתי הגדרה אחת בפרופילים (בלינקדאין ב-30 גרסאות לשוניות), בדקתי את המזהים בנתונים המובנים (מכאן הפדיחה עם השחקן), והעליתי אתר ובלוג ב-27 שפות עם גרסאות ב-Markdown. חשיפה, כלומר פרסומים ואזכורים בכלי תקשורת של אחרים, באה רק אחרי זה.

עוד לא ידוע לי אם זה עובד. המדידה החוזרת הראשונה של תשובות AI מתוכננת מ-1 בנובמבר 2026, ותוצאת מדידת קבצי ה-Markdown תהיה אחרי 8 בנובמבר. את התוצאות אוסיף לטקסט הזה, גם אם יצאו אפס.

שאלות נפוצות על AI SEO

מאיפה מתחילים?

שלושת הצעדים הראשונים לא עולים דבר מלבד זמן. בדקו אם הרובוטים של מנועי חיפוש AI מקבלים את האתר שלכם. שאלו שלוש פעמים בבת אחת כמה שאלות ששואלים הלקוחות שלכם, בלי שם המותג, ורשמו מי מוזכר ומי מצוטט. קראו מה תוצאות גוגל אומרות על שם המותג שלכם, כי המודלים משתמשים באותם מקורות. אם התוצאה תפתיע אתכם, זה נושא טוב לייעוץ.